論文の概要: Feature Selection Library (MATLAB Toolbox)

• arxiv url: http://arxiv.org/abs/1607.01327v8
• Date: Tue, 12 Mar 2024 11:24:45 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-17 17:28:01.825719
• Title: Feature Selection Library (MATLAB Toolbox)
• Title（参考訳）: 特徴選択ライブラリ(MATLAB Toolbox)
• Authors: Giorgio Roffo,
• Abstract要約: Feature Selection Library (FSLib) には、FSアルゴリズムの包括的なスイートが導入されている。 FSLibは次元の呪いに対処し、計算負荷を減らし、モデルの一般化性を高める。 FSLibは、重要な特徴を明らかにし、パターン認識と理解を支援することで、データの解釈可能性に貢献している。
• 参考スコア（独自算出の注目度）: 1.2058143465239939
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Feature Selection Library (FSLib) introduces a comprehensive suite of feature selection (FS) algorithms for MATLAB, aimed at improving machine learning and data mining tasks. FSLib encompasses filter, embedded, and wrapper methods to cater to diverse FS requirements. Filter methods focus on the inherent characteristics of features, embedded methods incorporate FS within model training, and wrapper methods assess features through model performance metrics. By enabling effective feature selection, FSLib addresses the curse of dimensionality, reduces computational load, and enhances model generalizability. The elimination of redundant features through FSLib streamlines the training process, improving efficiency and scalability. This facilitates faster model development and boosts key performance indicators such as accuracy, precision, and recall by focusing on vital features. Moreover, FSLib contributes to data interpretability by revealing important features, aiding in pattern recognition and understanding. Overall, FSLib provides a versatile framework that not only simplifies feature selection but also significantly benefits the machine learning and data mining ecosystem by offering a wide range of algorithms, reducing dimensionality, accelerating model training, improving model outcomes, and enhancing data insights.
• Abstract（参考訳）: FSLib(Feature Selection Library)は、機械学習とデータマイニングタスクの改善を目的とした、MATLABのための、機能選択(FS)アルゴリズムの包括的なスイートを提供する。 FSLibは、さまざまなFS要件を満たすためのフィルタ、組み込み、ラッパーメソッドを含んでいる。 フィルタメソッドは機能固有の特性に焦点を合わせ、組み込みメソッドはモデルトレーニングにFSを組み込み、ラッパーメソッドはモデルパフォーマンスメトリクスを通して機能を評価する。 効率的な特徴選択を可能にすることで、FSLibは次元の呪いに対処し、計算負荷を減らし、モデルの一般化性を高める。 FSLibによる冗長な機能の排除は、トレーニングプロセスを合理化し、効率性とスケーラビリティを向上させる。 これにより、モデル開発の速度が向上し、重要な機能に集中することで、精度、精度、リコールといった重要なパフォーマンス指標が向上する。 さらにFSLibは、重要な特徴を明らかにし、パターン認識と理解を支援することで、データの解釈可能性に貢献している。 全体として、FSLibは、機能選択を単純化するだけでなく、幅広いアルゴリズムを提供し、次元を減らし、モデルのトレーニングを加速し、モデルの結果を改善し、データ洞察を向上させることで、機械学習とデータマイニングのエコシステムに大きな恩恵をもたらす、汎用的なフレームワークを提供する。

関連論文リスト

• $\textit{X}^2$-DFD: A framework for e${X}$plainable and e${X}$tendable Deepfake Detection [52.14468236527728]
  3つのコアモジュールからなる新しいフレームワークX2$-DFDを提案する。 最初のモジュールであるモデル特徴評価(MFA)は、MLLMに固有の偽機能の検出能力を計測し、これらの機能の下位ランキングを提供する。 第2のモジュールであるStrong Feature Strengthening (SFS)は、上位機能に基づいて構築されたデータセット上でMLLMを微調整することで、検出と説明機能を強化する。 第3のモジュールであるWak Feature Supplementing (WFS)は、外部専用の機能を統合することで、低階機能における微調整MLLMの機能を改善する。
  論文  参考訳（メタデータ） (2024-10-08T15:28:33Z)
• LLM-Select: Feature Selection with Large Language Models [64.5099482021597]
  大規模言語モデル(LLM)は、データサイエンスの標準ツールに匹敵するパフォーマンスで、最も予測可能な機能を選択することができる。 以上の結果から,LSMはトレーニングに最適な機能を選択するだけでなく,そもそもどの機能を収集すべきかを判断する上でも有用である可能性が示唆された。
  論文  参考訳（メタデータ） (2024-07-02T22:23:40Z)
• EasyFS: an Efficient Model-free Feature Selection Framework via Elastic Transformation of Features [8.503238425293754]
  本稿では,従来のモデル認識手法よりも優れた性能を実現するために,機能拡張と圧縮による効率的なモデルフリー特徴選択フレームワーク,すなわちEasyFSを提案する。 21の異なるデータセットの実験では、EasyFSは回帰タスクの10.9%、分類タスクの5.7%で最先端のメソッドよりも優れており、時間の94%以上を節約している。
  論文  参考訳（メタデータ） (2024-02-04T09:25:07Z)
• AFS-BM: Enhancing Model Performance through Adaptive Feature Selection with Binary Masking [0.0]
  連立マスキングによる適応的特徴選択(AFS-BM)について紹介する。 トレーニングプロセス中に特徴セットとモデルパラメータを継続的に適応するために、共同最適化とバイナリマスキングを実施します。 以上の結果から,AFS-BMの精度は大幅に向上し,計算量も大幅に削減された。
  論文  参考訳（メタデータ） (2024-01-20T15:09:41Z)
• FedSDG-FS: Efficient and Secure Feature Selection for Vertical Federated Learning [21.79965380400454]
  Vertical Learning(VFL)は、複数のデータオーナに対して、大きな重複するデータサンプルセットに関する機能のサブセットをそれぞれ保持して、有用なグローバルモデルを共同でトレーニングすることを可能にする。 VFLのために設計された既存のFSは、ノイズの多い特徴の数について事前知識を仮定するか、有用な特徴の訓練後のしきい値について事前知識を仮定する。 本稿では,FedSDG-FS(Federated Dual-Gate Based Feature Selection)アプローチを提案する。
  論文  参考訳（メタデータ） (2023-02-21T03:09:45Z)
• FRANS: Automatic Feature Extraction for Time Series Forecasting [2.3226893628361682]
  ドメイン知識を必要としない静的な機能のための自律的機能検索ネットワークを開発した。 以上の結果から,ほとんどの状況において,我々の特徴が精度の向上につながることが明らかとなった。
  論文  参考訳（メタデータ） (2022-09-15T03:14:59Z)
• A-SFS: Semi-supervised Feature Selection based on Multi-task Self-supervision [1.3190581566723918]
  機能選択問題に深層学習に基づく自己教師機構を導入する。 バッチベースの特徴選択パターンに従って特徴量を生成するために、バッチアテンション機構が設計されている。 実験の結果,ほとんどのデータセットにおいてA-SFSが最も精度が高いことがわかった。
  論文  参考訳（メタデータ） (2022-07-19T04:22:27Z)
• Compactness Score: A Fast Filter Method for Unsupervised Feature Selection [66.84571085643928]
  本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。 提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
  論文  参考訳（メタデータ） (2022-01-31T13:01:37Z)
• FASA: Feature Augmentation and Sampling Adaptation for Long-Tailed Instance Segmentation [91.129039760095]
  ロングテールインスタンスセグメンテーションの最近の手法は、トレーニングデータが少ないレアオブジェクトクラスで未だに苦労している。 本稿では,FASA(Feature Augmentation and Smpling Adaptation)を提案する。 FASAは、標準またはロングテールのセグメンテーションフレームワークに簡単に接続できる、高速で汎用的な方法です。
  論文  参考訳（メタデータ） (2021-02-25T14:07:23Z)
• Lightweight Single-Image Super-Resolution Network with Attentive Auxiliary Feature Learning [73.75457731689858]
  本稿では,SISR の注意補助機能 (A$2$F) に基づく計算効率が高く正確なネットワークを構築した。 大規模データセットを用いた実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-11-13T06:01:46Z)
• Estimating Structural Target Functions using Machine Learning and Influence Functions [103.47897241856603]
  統計モデルから特定可能な関数として生じる対象関数の統計的機械学習のための新しい枠組みを提案する。 このフレームワークは問題とモデルに依存しないものであり、応用統計学における幅広い対象パラメータを推定するのに使用できる。 我々は、部分的に観測されていない情報を持つランダム/二重ロバストな問題において、いわゆる粗大化に特に焦点をあてた。
  論文  参考訳（メタデータ） (2020-08-14T16:48:29Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。